آموزش کپی ها و Views در NumPy

4 سال پیش

امتیاز دهید post

آموزش کپی ها و Views در NumPy

در این درس از مجموعه آموزش برنامه نویسی سایت سورس باران، به آموزش کپی ها و Views در NumPy خواهیم پرداخت.

پیشنهاد ویژه : پکیج آموزش پروژه محور پایتون

هنگام اجرای توابع، برخی از آنها یک کپی از آرایه ورودی را برمی گردانند، در حالی که برخی دیگر نمای را برمی گردانند. وقتی محتویات به طور فیزیکی در مکان دیگری ذخیره می شوند، به آن Copy می گویند. اگر از طرف دیگر، نمای متفاوتی از همان محتوای حافظه ارائه شود ، ما آن را به عنوان View صدا می کنیم.

No Copy

تکالیف ساده کپی آرایه را ایجاد نمی کنند. در عوض، از همان ()id آرایه اصلی برای دسترسی به آن استفاده می کند. () id یک شناسه جهانی از شی Python برمی گرداند ، شبیه به اشاره گر در C.

بعلاوه، هر تغییری در هر یک از موارد دیگر منعکس می شود. به عنوان مثال ، تغییر شکل یکی باعث تغییر شکل دیگری نیز می شود.

مثال

import numpy as np 
a = np.arange(6) 

print 'Our array is:' 
print a  

print 'Applying id() function:' 
print id(a)  

print 'a is assigned to b:' 
b = a 
print b  

print 'b has same id():' 
print id(b)  

print 'Change shape of b:' 
b.shape = 3,2 
print b  

print 'Shape of a also gets changed:' 
print a

import numpy as np

a = np.arange(6)

print 'Our array is:'

print a

print 'Applying id() function:'

print id(a)

print 'a is assigned to b:'

b = a

print b

print 'b has same id():'

print id(b)

print 'Change shape of b:'

b.shape = 3,2

print b

print 'Shape of a also gets changed:'

print a

این خروجی زیر را تولید می کند –

Our array is:
[0 1 2 3 4 5]

Applying id() function:
139747815479536

a is assigned to b:
[0 1 2 3 4 5]
b has same id():
139747815479536

Change shape of b:
[[0 1]
 [2 3]
 [4 5]]

Shape of a also gets changed:
[[0 1]
 [2 3]
 [4 5]]

Our array is:

[0 1 2 3 4 5]

Applying id() function:

139747815479536

a is assigned to b:

[0 1 2 3 4 5]

b has same id():

139747815479536

Change shape of b:

[[0 1]

[2 3]

[4 5]]

Shape of a also gets changed:

[[0 1]

[2 3]

[4 5]]

View یا کپی سطحی

NumPy دارای متد ()ndarray.view است که یک شی آرایه جدید است که به همان داده های آرایه اصلی نگاه می کند. بر خلاف مورد قبلی ، تغییر در ابعاد آرایه جدید ابعاد اصلی را تغییر نمی دهد.

مثال

import numpy as np 
# To begin with, a is 3X2 array 
a = np.arange(6).reshape(3,2) 

print 'Array a:' 
print a  

print 'Create view of a:' 
b = a.view() 
print b  

print 'id() for both the arrays are different:' 
print 'id() of a:'
print id(a)  
print 'id() of b:' 
print id(b)  

# Change the shape of b. It does not change the shape of a 
b.shape = 2,3 

print 'Shape of b:' 
print b  

print 'Shape of a:' 
print a

import numpy as np

# To begin with, a is 3X2 array

a = np.arange(6).reshape(3,2)

print 'Array a:'

print a

print 'Create view of a:'

b = a.view()

print b

print 'id() for both the arrays are different:'

print 'id() of a:'

print id(a)

print 'id() of b:'

print id(b)

# Change the shape of b. It does not change the shape of a

b.shape = 2,3

print 'Shape of b:'

print b

print 'Shape of a:'

print a

این خروجی زیر را تولید می کند –

Array a:
[[0 1]
 [2 3]
 [4 5]]

Create view of a:
[[0 1]
 [2 3]
 [4 5]]

id() for both the arrays are different:
id() of a:
140424307227264
id() of b:
140424151696288

Shape of b:
[[0 1 2]
 [3 4 5]]

Shape of a:
[[0 1]
 [2 3]
 [4 5]]

Array a:

[[0 1]

[2 3]

[4 5]]

Create view of a:

[[0 1]

[2 3]

[4 5]]

id() for both the arrays are different:

id() of a:

140424307227264

id() of b:

140424151696288

Shape of b:

[[0 1 2]

[3 4 5]]

Shape of a:

[[0 1]

[2 3]

[4 5]]

مثال

import numpy as np 
a = np.array([[10,10], [2,3], [4,5]]) 

print 'Our array is:' 
print a  

print 'Create a slice:' 
s = a[:, :2] 
print s

import numpy as np

a = np.array([[10,10], [2,3], [4,5]])

print 'Our array is:'

print a

print 'Create a slice:'

s = a[:, :2]

print s

این خروجی زیر را تولید می کند –

Our array is:
[[10 10]
 [ 2 3]
 [ 4 5]]

Create a slice:
[[10 10]
 [ 2 3]
 [ 4 5]]

Our array is:

[[10 10]

[ 2 3]

[ 4 5]]

Create a slice:

[[10 10]

[ 2 3]

[ 4 5]]

کپی عمیق

تابع ()ndarray.copy یک کپی عمیق ایجاد می کند. این یک کپی کامل از آرایه و داده های آن است و با آرایه اصلی به اشتراک گذاشته نمی شود.

مثال

import numpy as np 
a = np.array([[10,10], [2,3], [4,5]]) 

print 'Array a is:' 
print a  

print 'Create a deep copy of a:' 
b = a.copy() 
print 'Array b is:' 
print b 

#b does not share any memory of a 
print 'Can we write b is a' 
print b is a  

print 'Change the contents of b:' 
b[0,0] = 100 

print 'Modified array b:' 
print b  

print 'a remains unchanged:' 
print a

import numpy as np

a = np.array([[10,10], [2,3], [4,5]])

print 'Array a is:'

print a

print 'Create a deep copy of a:'

b = a.copy()

print 'Array b is:'

print b

#b does not share any memory of a

print 'Can we write b is a'

print b is a

print 'Change the contents of b:'

b[0,0] = 100

print 'Modified array b:'

print b

print 'a remains unchanged:'

print a

این خروجی زیر را تولید می کند –

Array a is:
[[10 10]
 [ 2 3]
 [ 4 5]]

Create a deep copy of a:
Array b is:
[[10 10]
 [ 2 3]
 [ 4 5]]
Can we write b is a
False

Change the contents of b:
Modified array b:
[[100 10]
 [ 2 3]
 [ 4 5]]

a remains unchanged:
[[10 10]
 [ 2 3]
 [ 4 5]]

Array a is:

[[10 10]

[ 2 3]

[ 4 5]]

Create a deep copy of a:

Array b is:

[[10 10]

[ 2 3]

[ 4 5]]

Can we write b is a

False

Change the contents of b:

Modified array b:

[[100 10]

[ 2 3]

[ 4 5]]

a remains unchanged:

[[10 10]

[ 2 3]

[ 4 5]]

منبع.

لیست جلسات قبل آموزش NumPy

امتیاز دهید post

برچسب ها : آموزش NumPy آموزش برنامه نویسی پایتون

نویسنده مطلب saber

دیدگاه شما

یک دیدگاه

امیرمحمد
2 سال پیش

خوبه😉

آموزش کپی ها و Views در NumPy

No Copy

مثال

View یا کپی سطحی

مثال

مثال

کپی عمیق

مثال

لیست جلسات قبل آموزش NumPy

دیدگاه شما

برای صرف‌نظر کردن از پاسخ‌گویی اینجا را کلیک نمایید.

یک دیدگاه